Quantifying statistical uncertainty in the attribution of human influence on severe weather
气候变化背景下的事件归因试图了解人为温室气体排放对极端天气事件的作用，无论是特定事件还是事件类别。一种常见的事件归因方法是使用气候模型在事实（真实世界）和反事实（可能没有人为温室气体排放的世界）情景下的输出来估计两种情景下相关事件的概率。事件归因然后通过两个概率的比率来量化。虽然这一方法在过去15年中已被多次采用，但用于根据气候模型集合估计风险比的统计技术并未利用统计文献中现有的整套方法，在某些情况下以非标准方式使用和解释了自助法。我们提出了一个精确的频率统计框架，量化抽样的不确定性对估计的风险比的影响，提出使用的统计方法，是新的事件归因，并评估各种方法，使用统计模拟。我们的结论是，现有的统计方法尚未在使用的事件归因有几个优势，广泛使用的自举，包括更好的统计性能在重复样本和鲁棒性小的估计概率。使用这些方法的软件可以通过可用于R或Python的climextRemes包获得。虽然我们专注于频率统计方法，但贝叶斯方法在考虑采样不确定性以外的不确定性来源时可能特别有用。
2018-02-03 stat.ME
The Empirical Likelihood Approach to Quantifying Uncertainty in Sample Average Approximation
我们研究的经验似然方法来构建一个给定的解决方案的最优值和最优性差距的置信区间，此后量化的样本平均近似的统计不确定性，优化问题的期望值目标和约束条件下，潜在的概率分布，通过有限的数据观察。这种方法依赖于两个分布鲁棒优化问题的不确定分布，与基于发散的不确定性集，适当校准，以提供渐近的统计保证。
2016-10-23 math.ST stat.ME stat.TH
Quantifying the Uncertainty of Imputed Demographic Disparity Estimates: The Dual-Bootstrap
针对缺失种族/族裔数据下差异估计的不确定性表征偏差问题，提出双自助法以准确统计推断，适配BISG插补算法并通过仿真与真实数据验证，发现BISG误差主要源于偏差而非测量不确定性。
2024-03-10 stat.ME
Quantifying Uncertainty for Temporal Motif Estimation in Graph Streams under Sampling
动态网络，又名。图形流由一组顶点和一组带时间戳的交互事件（即，时间边缘）。时间模体被定义为图流上的（小）同构诱导子图类，同时考虑边排序和持续时间。与静态网络中的模体一样，时间模体是动态网络中时间结构的基本构建块。已经设计了几种方法来计算图流中时间图案的出现，最近的工作集中在估计各种采样方案下的计数以及浓度属性。然而，很少有人注意到的问题，不确定性量化和渐近统计性质的计数估计。在确定性图流的边采样框架下，建立了一种Horvitz-Thompson型估计的相合性和渐近正态性，该估计可用于构造采样下时间模体数的置信区间和进行假设检验.我们也建立了类似的随机模型下的类似结果。我们的研究结果与社会，通信，生物和大脑网络中的广泛应用有关，用于涉及模式发现的任务。
2022-02-21 stat.ME
Quantifying Uncertainty with a Derivative Tracking SDE Model and Application to Wind Power Forecast Data
我们开发了一种基于参数伊藤随机微分方程（SDEs）的数据驱动方法，以捕获预测误差的真实非对称动态。我们的预测框架具有时间导数跟踪的预测，随时间变化的均值回归参数，和改进的状态依赖扩散项。证明的存在性，强唯一性，和有界性的非线性解决方案的原则条件下，随时间变化的均值回复参数。通过在原始预测误差空间和Lamperti空间中的矩匹配技术构建的基于近似似然的推断，通过数值优化程序进行。我们提出了另一个贡献的基础上的固定点似然优化方法在Lamperti空间。所有的程序都是预测技术不可知的，它们可以在不同的预测提供商之间进行比较。我们应用我们的可持续发展框架来模拟2019年4月至12月期间乌拉圭的历史标准化风电产量和预测数据。尖锐的经验置信带的未来风力发电的最佳选择的模型。
2021-02-09 stat.ME
Random Measures, ANOVA Models and Quantifying Uncertainty in Randomized Controlled Trials
本文提出基于随机测度方差-协方差结构的全局敏感性分析方法，用于不确定性量化，并在COVID-19疫苗和肺癌试验数据上验证其方差分解优势。
2025-10-16 q-bio.QM stat.ME
A robust approach to quantifying uncertainty in matching problems of causal inference
在观测因果分析中，不确定性的未量化来源可能会破坏结果的完整性。人们永远不会希望另一位分析师使用相同的数据集重复计算，使用看似相同的程序，结果却得出不同的结论。然而，正如我们在这项工作中所展示的，有一个典型的不确定性来源，在观察因果研究中基本上从未考虑过：匹配组的匹配分配的选择，也就是说，在进行假设检验之前，哪个单元与哪个其他单元匹配。匹配分配的选择绝不是无害的，并且可以对因果结论产生令人惊讶的巨大影响。鉴于大量的因果推断研究是在治疗病例与类似的对照病例相匹配后，对处理效应的假设进行检验，我们应该找到一种方法来量化这种额外的不确定性来源对结果的影响。我们真正希望能够报告的是，进行匹配分配的\emph{no matter}，只要匹配足够好，那么假设检验结果仍然成立。在本文中，我们提供了基于离散优化的方法，以创建强大的测试，明确说明这种可能性。我们制定了强大的测试，二进制和连续数据的基础上，共同的检验统计量整数线性规划可解与常见的方法。我们研究了离散数据情形下检验统计量的有限样本行为。我们将我们的方法应用于模拟和真实世界的数据集，并表明它们可以在实际应用环境中产生有用的结果。
2022-08-11 stat.ME
A Three-Way Testing Framework for Quantifying Epistemic Calibration Uncertainty in SBI
DEs, ICMC（数学与统计系，计算与应用数学研究所）；Federal Univ. of São Carlos（圣卡洛斯联邦大学）；Univ. of São Paulo（圣保罗大学）；Brazil（巴西）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家数字科学研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；LJK（拉格朗日计算与分析实验室）
本文提出一种基于三向假设检验的新工具，用于诊断基于模拟推断中校准过程固有的认知不确定性，并评估模拟预算及截断估计的不确定性。
2026-09-22 stat.ME stat.ML
Bayesian Recurrent Neural Network Models for Forecasting and Quantifying Uncertainty in Spatial-Temporal Data
递归神经网络（RNN）是机器学习和动态系统文献中常用的非线性动态模型，用于表示变量之间的复杂动态或顺序关系。最近，随着深度学习模型变得越来越普遍，RNN已被用于预测越来越复杂的系统。动态时空过程代表了一类复杂的系统，可以从这些类型的模型中受益。尽管RNN文献广泛且高度发达，但不确定性量化常常被忽视。即使在考虑时，不确定性通常也没有使用严格的框架（例如完全贝叶斯设置）进行量化。在这里，我们试图在一个更正式的框架中量化不确定性，同时保持预测的准确性，使这些模型具有吸引力，通过提出一个贝叶斯RNN模型的非线性时空预测。此外，我们对基本RNN进行了简单的修改，以帮助适应非线性时空数据的独特性质。该模型被应用到洛伦兹模拟和两个现实世界的非线性时空预测应用。
2018-02-07 stat.ME stat.ML
Probability bound analysis: A novel approach for quantifying parameter uncertainty in decision-analytic modeling and cost-effectiveness analysis
关于卫生干预措施的决定往往是根据有限的证据作出的。用于指导此类决策的数学模型通常包括不确定性分析，以说明当前证据基础中的不确定性对决策相关数量的影响。然而，目前的不确定性量化方法，包括概率敏感性分析（PSA），需要建模者指定一个精确的概率分布来表示模型参数的不确定性。本研究介绍了一种新的方法，传播参数的不确定性，概率界分析（PBA），其中的不确定性的未知概率分布的模型参数表示在一个区间上的下限和上限的未知累积分布函数（P盒），而不假设一个特定形式的分布函数。我们给出了常见情况下的p-盒的公式（给定的最小值，最大值，中位数，平均值，或标准差的数据组合），描述了一种方法来传播p-盒到一个黑盒的数学模型，并介绍了一种基于PBA的结果进行决策的方法。我们证明了PBA与PSA的特点和效用使用两个案例研究。总之，这项研究提供了一个实用的工具来进行参数不确定性量化给定的约束条件下，可用的数据和最少的假设建模。
2021-08-11 stat.AP stat.ME
Robustness Metric for Quantifying Causal Model Confidence and Parameter Uncertainty
许多估计因果模型的方法并不提供结果模型的置信度估计。在这项工作中，提出了一个度量标准，用于验证因果模型拟合的输出;重新采样数据的模型结构的鲁棒性。该度量是为时间序列因果模型开发的，但也适用于非时间序列数据。可以利用所提出的度量，而不管选择用于拟合因果模型的方法。我们发现，对于综合生成的数据，该指标在大多数情况下能够成功识别真正的数据生成模型。此外，该指标提供了由稳健性水平表示的模型置信度的定性测量以及模型系数中不确定性的准确估计，这对于解释模型结果很重要。使用此度量的数值模拟数据和现有的因果模型文献的案例研究证明。
2016-02-06 stat.AP stat.ME
Quantifying Epistemic Uncertainty in Deep Learning
Columbia University（哥伦比亚大学）
本文提出一个理论框架，将深度学习中的认知不确定性分解为程序变异性和数据变异性，并基于影响函数和批处理提出两种估计方法，实验验证其有效性和指导意义。
2023-06-18 cs.LG stat.ME stat.ML
Quantifying structural uncertainty in chemical reaction network inference
University of Melbourne（墨尔本大学）；ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems, University of Melbourne（墨尔本大学细胞系统数学分析卓越中心）；Liverpool John Moores University（利物浦约翰摩尔斯大学）
本文探讨了稀疏正则化方法在量化化学反应网络结构不确定性中的有效性，发现非凸惩罚函数比Lasso更有效覆盖可能的CRN，通过实验证明了网络级概率对结构模糊性的新型分层表示。
2026-11-03 q-bio.QM stat.ME
Quantifying and Attributing Submodel Uncertainty in Stochastic Simulation Models and Digital Twins
Texas A&M University（德克萨斯农工大学）；Intuit AI（直觉人工智能）
本文提出了一种量化和归因子模型不确定性的框架，用于随机模拟模型和数字孪生，通过重要性分数分解总输出变异性，以提高系统性能评估的准确性。
2026-02-18 stat.CO stat.ME stat.ML
Quantifying Uncertainty in Transdimensional Markov Chain Monte Carlo Using Discrete Markov Models
贝叶斯分析通常涉及具有不同维度的模型的评估，这在例如模型选择或混合模型中是必要的。为了便于这种评估，transdimensional马尔可夫链蒙特卡罗（MCMC）依赖于采样离散索引变量来估计后验模型概率。然而，很少有人注意到这些估计的准确性。如果在跨维MCMC输出中模型之间仅发生很少的切换，则精度可能较低，并且基于独立样本假设的评估会产生误导。在这里，我们提出了一种新的方法来估计精度的基础上观察到的模型索引变量的转移矩阵。假设一阶马尔可夫模型，该方法从平稳分布的后验中采样。这允许评估估计的后验模型概率、模型秩和贝叶斯因子中的不确定性。此外，该方法提供了一个估计的有效样本量的MCMC输出。在两个模型选择的例子中，我们表明，所提出的方法提供了一个很好的评估与估计后验模型概率的不确定性。
2018-07-31 stat.CO stat.ME
Quantifying uncertainty in the numerical integration of evolution equations based on Bayesian isotonic regression
本文提出一种新的贝叶斯框架，通过引入收缩先验、变量变换和单调性约束，将贝叶斯等渗回归技术应用于常微分方程数值解的离散化误差方差估计，并利用高斯混合模型开发了高效的吉布斯采样算法。
2024-11-13 cs.NA math.NA physics.data-an
Quantifying uncertainty in spikes estimated from calcium imaging data
University of Washington（华盛顿大学）
本文提出了一种选择性推断方法，用于解决钙成像数据中估计尖峰的不确定性问题，通过高效算法计算有限样本p值和置信区间，以控制选择性I型错误。
2021-07-30 stat.AP stat.ME
Quantifying Distributional Input Uncertainty via Inflated Kolmogorov-Smirnov Confidence Band
针对随机模拟中的输入不确定性，提出基于膨胀Kolmogorov-Smirnov置信带的分布性方法，构建输出分布函数的置信带，数值验证其覆盖有效性。
2024-03-14 math.ST stat.ME stat.TH
A generalization of the CIRCE method for quantifying input model uncertainty in presence of several groups of experiments
本文推广了热工水力领域的CIRCE方法，提出多组CIRCE以联合估计各组方差与共有均值，从而在多组实验条件下量化输入模型不确定性并验证其均匀性。
2023-09-08 stat.AP stat.ME
Quantifying uncertainty of individualized treatment effects in right-censored survival data: A comparison of Bayesian additive regression trees and causal survival forest
本文通过广泛的模拟研究，比较了在右删失生存数据中量化个体化处理效应不确定性时，贝叶斯加性回归树（BART）和因果生存森林（CSF）的区间估计覆盖率，发现BART在三种设置下均优于CSF。
2025-04-06 stat.AP stat.ME
A Sensitivity Analysis Framework for Quantifying Confidence in Decisions in the Presence of Data Uncertainty
针对数据缺陷会影响统计估计与政策决策的问题，提出了一套衡量最终决策对数据处理假设敏感性的指标与可视化框架，并通过两个案例验证了其用于评估决策置信度的作用。
2025-10-22 stat.AP stat.ME
Quantifying Uncertainty in Random Forests via Confidence Intervals and Hypothesis Tests
这项工作开发了正式的统计推断程序的机器学习集成方法。基于自举的包围方法，如装袋和随机森林，提高了单个树的预测精度，但未能提供一个框架，其中分布的结果可以很容易地确定。我们考虑通过对训练集的子样本构建的树进行平均来进行预测，而不是聚合完整的自举样本，并证明所得估计量采用U统计量的形式。因此，各个特征向量的预测是渐近正态的，允许置信区间伴随预测。在实践中，子样本的子集用于计算速度;在这里，我们的估计量采用不完全U统计量的形式，并得出等效的结果。我们进一步证明，这种设置提供了一个框架来测试功能的重要性。此外，我们开发的内部估计方法允许我们估计方差参数，并在没有额外的计算成本进行这些推理程序。提供了一个真实的数据集上的模拟和插图。
2015-09-10 stat.AP stat.CO stat.ME
Overcoming model simplifications when quantifying predictive uncertainty
人们普遍认为，所有的模型都是错误的-困难的是确定哪些是有用的。在这里，一个有用的模型被认为是一个能够结合数据和专家知识，通过反演或校准过程，充分表征感兴趣的预测的不确定性。本文推导出的条件，指定哪些简化模型是有用的，以及它们应该如何被校准。首先，定义了最优简化的概念。这将模型简化与数据和预测的性质联系起来，并确定标准概率校准方案何时能够准确表征不确定性。此外，两个额外的条件定义为次优模型，确定何时可以安全地忽略简化。第一个允许一个次优的简化模型，以复制的最佳模型的性能的方式使用。这是通过司法选择的校准过程中，明确包括数据的性质，预测和建模简化的前期。第二个考虑预测和可用数据之间的依赖关系结构，以了解何时可以通过使用正确的校准数据来克服简化。此外，推导出的条件与常用的基于Tikhonov和子空间正则化的校准方案有关。为了获得具体的见解，分析是在模型方程的线性展开下进行的，其中预测的不确定性仅通过二阶矩来表征。
2017-03-21 math.PR physics.comp-ph physics.geo-ph
